論文の概要: Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy
- arxiv url: http://arxiv.org/abs/2101.09878v1
- Date: Mon, 25 Jan 2021 03:33:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 18:55:16.716699
- Title: Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy
- Title（参考訳）: 不均一コホートプライバシを用いたIoTのフェデレーション侵入検出
- Authors: Ajesh Koyatan Chathoth (1), Abhyuday Jagannatha (2), Stephen Lee (1)
((1) University of Pittsburgh, (2) University of Massachusetts Amherst)
- Abstract要約: IoT(Internet of Things)デバイスはますます普及し、医療や輸送といった多くのアプリケーションドメインに影響を与える。
本研究では,このようなIoTデバイスのネットワーク上での侵入攻撃を検出するために,差分プライベート(DP)ニューラルネットワーク(NN)ベースのネットワーク侵入検出システム(NIDS)を検討する。
このドメインの既存のNNトレーニングソリューションは、プライバシの考慮を無視したり、すべてのユーザのプライバシー要件が均一であると仮定する。
クライアントのプライバシ要件が不均一である場合,非IDデータ分布を持つクライアントに対して,既存の差分プライベートメソッドの性能が低下することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Things (IoT) devices are becoming increasingly popular and are
influencing many application domains such as healthcare and transportation.
These devices are used for real-world applications such as sensor monitoring,
real-time control. In this work, we look at differentially private (DP) neural
network (NN) based network intrusion detection systems (NIDS) to detect
intrusion attacks on networks of such IoT devices. Existing NN training
solutions in this domain either ignore privacy considerations or assume that
the privacy requirements are homogeneous across all users. We show that the
performance of existing differentially private stochastic methods degrade for
clients with non-identical data distributions when clients' privacy
requirements are heterogeneous. We define a cohort-based $(\epsilon,\delta)$-DP
framework that models the more practical setting of IoT device cohorts with
non-identical clients and heterogeneous privacy requirements. We propose two
novel continual-learning based DP training methods that are designed to improve
model performance in the aforementioned setting. To the best of our knowledge,
ours is the first system that employs a continual learning-based approach to
handle heterogeneity in client privacy requirements. We evaluate our approach
on real datasets and show that our techniques outperform the baselines. We also
show that our methods are robust to hyperparameter changes. Lastly, we show
that one of our proposed methods can easily adapt to post-hoc relaxations of
client privacy requirements.
- Abstract（参考訳）: IoT(Internet of Things)デバイスはますます普及し、医療や輸送といった多くのアプリケーションドメインに影響を与える。
これらのデバイスは、センサーモニタリングやリアルタイム制御など、現実世界のアプリケーションで使用される。
本研究では,このようなIoTデバイスのネットワーク上での侵入攻撃を検出するために,差分プライベート(DP)ニューラルネットワーク(NN)ベースのネットワーク侵入検出システム(NIDS)を検討する。
このドメインの既存のNNトレーニングソリューションは、プライバシの考慮を無視したり、すべてのユーザのプライバシー要件が均一であると仮定する。
クライアントのプライバシ要件が異種である場合、非識別データ分布を持つクライアントに対して、既存の差分プライベート確率メソッドのパフォーマンスが低下することを示した。
私たちは、IoTデバイスのコホートのより実用的な設定を非識別クライアントおよび異種プライバシー要件とモデル化するコホートベースの$(\epsilon,\delta)$-DPフレームワークを定義します。
本研究では, モデル性能向上を目的とした, 連続学習に基づく2つのDPトレーニング手法を提案する。
私たちの知る限りでは、クライアントプライバシ要求の不均一性を扱うために、継続的な学習に基づくアプローチを採用した最初のシステムです。
実際のデータセットに対するアプローチを評価し,その手法がベースラインを上回ることを示す。
また,ハイパーパラメータ変化に対してロバストな手法を示す。
最後に,提案手法の1つが,クライアントのプライバシ要件のポストホック緩和に容易に適応できることを示す。
関連論文リスト
- Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。
従来の偽造検出手法は、データを直接集中的に訓練する。
本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文 参考訳（メタデータ） (2024-06-17T02:20:30Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - KiNETGAN: Enabling Distributed Network Intrusion Detection through Knowledge-Infused Synthetic Data Generation [0.0]
合成ネットワーク活動データ(KiNETGAN)を生成するための知識注入型ジェネレーティブ・アドバイサル・ネットワークを提案する。
弊社のアプローチは、プライバシー問題に対処しながら、分散侵入検知のレジリエンスを高める。
論文 参考訳（メタデータ） (2024-05-26T08:02:02Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Privacy-Preserving Intrusion Detection in Software-defined VANET using Federated Learning with BERT [0.0]
本研究では,Federated Learning (FL) 機能を用いた侵入検知手法を提案する。
FL-BERTは有望な結果を出し、この研究分野のさらなる研究の道を開いた。
この結果から,FL-BERTは攻撃検出を向上するための有望な手法であることが示唆された。
論文 参考訳（メタデータ） (2024-01-14T18:32:25Z) - Libertas: Privacy-Preserving Computation for Decentralised Personal Data Stores [19.54818218429241]
セキュアなマルチパーティ計算をSolidと統合するためのモジュール設計を提案する。
私たちのアーキテクチャであるLibertasでは、基盤となるSolidの設計にプロトコルレベルの変更は必要ありません。
既存の差分プライバシー技術と組み合わせて、出力プライバシーを確保する方法を示す。
論文 参考訳（メタデータ） (2023-09-28T12:07:40Z) - Federated Learning for Computationally-Constrained Heterogeneous
Devices: A Survey [3.219812767529503]
フェデレートラーニング(FL)は、通信オーバーヘッドとモデルの正確性の間のトレードオフをプライバシ保護する。
現実のアプリケーションに広く適用するためにFLが克服しなければならない課題について概説する。
論文 参考訳（メタデータ） (2023-07-18T12:05:36Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳（メタデータ） (2022-01-03T16:49:33Z) - FedSup: A Communication-Efficient Federated Learning Fatigue Driving
Behaviors Supervision Framework [10.38729333916008]
FedSupは、プライバシーと効率的な疲労検出のためのクライアントエッジクラウドフレームワークです。
FedSupは、フェデレーション学習技術にインスパイアされ、クライアント、エッジ、クラウドサーバー間のコラボレーションをインテリジェントに活用します。
論文 参考訳（メタデータ） (2021-04-25T07:16:49Z) - Unsupervised Model Personalization while Preserving Privacy and
Scalability: An Open Problem [55.21502268698577]
本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。
この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。
このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
論文 参考訳（メタデータ） (2020-03-30T09:35:12Z) - CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。
CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文 参考訳（メタデータ） (2020-02-03T14:49:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。